Introducción

Column

Contexto

TEMA: Factores estructurales y de género asociados a la autonomía económica de las mujeres en las regiones del Perú En este dashboard analizamos la autonomía económica de las mujeres en las 25 regiones del Perú. La autonomía económica se entiende como la capacidad de las mujeres para generar y administrar sus propios recursos monetarios, reduciendo su dependencia. La variable central es un índice que va de 0 a 100 y se construye como:

Autonomía económica = 100 – % de mujeres sin ingresos propios (sin_ingresos).

Es decir, valores más altos indican que una mayor proporción de mujeres cuenta con ingresos propios y, por tanto, menor dependencia económica respecto de la pareja u otros miembros del hogar.

La base empleada integra indicadores provenientes de distintas fuentes oficiales: encuestas de hogares del INEI, cuadros de brechas de género del INEI, registros del Jurado Nacional de Elecciones y del INEI sobre autoridades electas y estadísticas del Ministerio de la Mujer y Poblaciones Vulnerables – Warmi Ñan.

Autonomía económica de las mujeres por región

data_ord <- data |>
  mutate(region = reorder(region, autonomia))

ggplot(data_ord,
       aes(x = autonomia, y = region, fill = autonomia)) +
  geom_col() +
  labs(
    title = "Autonomía económica de las mujeres por región",
    x = "Índice de autonomía económica (0–100)",
    y = "Región",
    fill = "Autonomía"
  ) +
  scale_fill_gradient(
    low  = "#e1bee7",
    high = "#6a1b9a"
  ) +
  theme_minimal()

Column

Mapa de autonomía económica de las mujeres

# Descargamos shapefile de Perú (departamentos)
peru_sp <- geodata::gadm("PER", level = 1, path = tempdir())
peru_sf <- st_as_sf(peru_sp)

# Unimos shapefile con la versión especial para mapa
peru_mapa <- peru_sf |>
  left_join(data_map, by = c("NAME_1" = "region_join"))

# Paleta de colores para la autonomía
pal <- colorNumeric(
  palette = "Purples",
  domain = peru_mapa$autonomia
)

leaflet(peru_mapa) |>
  addProviderTiles("CartoDB.Positron") |>
  addPolygons(
    fillColor   = ~pal(autonomia),
    color       = "#555555",
    weight      = 1,
    opacity     = 1,
    fillOpacity = 0.8,
    label       = ~paste0(NAME_1, ": ",
                          round(autonomia, 1),
                          " (índice)"),
    highlight   = highlightOptions(
      weight = 2,
      color  = "#000000",
      bringToFront = TRUE
    )
  ) |>
  addLegend(
    pal     = pal,
    values  = ~autonomia,
    title   = "Autonomía (0–100)",
    position = "bottomright"
  )

Tabla resumen de la variable dependiente

tabla_autonomia <- data |>
  arrange(desc(autonomia)) |>
  select(
    Región = region,
    `Autonomía (0–100)` = autonomia,
    `% sin ingresos propios` = sin_ingresos,
    `Ingreso promedio mensual (S/.)` = ingreso,
    `PEA ocupada femenina` = PEAO,
    `% trabajo ind./no remunerado` = trabajo_ind_no_rem
  )

DT::datatable(
  tabla_autonomia,
  options = list(pageLength = 8, dom = "tip"),
  rownames = FALSE
)

V. Independientes

Column

Años de estudio

ggplot(data, aes(x = "", y = años_estudio)) +
  geom_boxplot(fill = "#b39ddb", alpha = 0.7) +
  geom_jitter(width = 0.1, alpha = 0.9, color = "#7e57c2") +
  coord_flip() +
  labs(
    title = "Distribución de años de estudio de las mujeres por región",
    x = "",
    y = "Años de estudio (promedio)"
  ) +
  theme_minimal()

Analfabetismo

ggplot(data, aes(x = "", y = analfabetismo)) +
  geom_boxplot(fill = "#b39ddb", alpha = 0.7) +
  geom_jitter(width = 0.1, alpha = 0.9, color = "#7e57c2") +
  coord_flip() +
  labs(
    title = "Distribución del analfabetismo femenino por región",
    x = "",
    y = "% de mujeres analfabetas"
  ) +
  theme_minimal()

Ingreso mensual

ggplot(data, aes(x = "", y = ingreso)) +
  geom_boxplot(fill = "#b39ddb", alpha = 0.7) +
  geom_jitter(width = 0.1, alpha = 0.9, color = "#7e57c2") +
  coord_flip() +
  labs(
    title = "Distribución del ingreso laboral promedio mensual",
    x = "",
    y = "Ingreso mensual (S/.)"
  ) +
  theme_minimal()

## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_boxplot()`).

## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).

PEA ocupada femenina

ggplot(data, aes(x = "", y = PEAO)) +
  geom_boxplot(fill = "#b39ddb", alpha = 0.7) +
  geom_jitter(width = 0.1, alpha = 0.9, color = "#7e57c2") +
  coord_flip() +
  labs(
    title = "Distribución de la PEA ocupada femenina por región",
    x = "",
    y = "PEA ocupada femenina"
  ) +
  theme_minimal()

## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_boxplot()`).

## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).

% trabajo independiente / no remunerado

ggplot(data, aes(x = "", y = trabajo_ind_no_rem)) +
  geom_boxplot(fill = "#b39ddb", alpha = 0.7) +
  geom_jitter(width = 0.1, alpha = 0.9, color = "#7e57c2") +
  coord_flip() +
  labs(
    title = "% de mujeres en trabajo independiente o no remunerado",
    x = "",
    y = "% de mujeres ocupadas"
  ) +
  theme_minimal()

## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_boxplot()`).

## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).

Violencia sexual

ggplot(data, aes(x = "", y = violencia_sexual)) +
  geom_boxplot(fill = "#b39ddb", alpha = 0.7) +
  geom_jitter(width = 0.1, alpha = 0.9, color = "#7e57c2") +
  coord_flip() +
  labs(
    title = "Tasa de violencia sexual contra las mujeres",
    x = "",
    y = "Casos por 100 mil mujeres (aprox.)"
  ) +
  theme_minimal()

Violencia física

ggplot(data, aes(x = "", y = violencia_fisica)) +
  geom_boxplot(fill = "#b39ddb", alpha = 0.7) +
  geom_jitter(width = 0.1, alpha = 0.9, color = "#7e57c2") +
  coord_flip() +
  labs(
    title = "Tasa de violencia física contra las mujeres",
    x = "",
    y = "Casos por 100 mil mujeres (aprox.)"
  ) +
  theme_minimal()

Violencia psicológica

ggplot(data, aes(x = "", y = violencia_psico)) +
  geom_boxplot(fill = "#b39ddb", alpha = 0.7) +
  geom_jitter(width = 0.1, alpha = 0.9, color = "#7e57c2") +
  coord_flip() +
  labs(
    title = "Tasa de violencia psicológica contra las mujeres",
    x = "",
    y = "Casos por 100 mil mujeres (aprox.)"
  ) +
  theme_minimal()

Column

Estadísticos descriptivos de las variables numéricas

library(tidyr)

## Warning: package 'tidyr' was built under R version 4.4.3

## 
## Adjuntando el paquete: 'tidyr'

## The following object is masked from 'package:terra':
## 
##     extract

vars_num <- data |>
  select(
    `Años de estudio`       = años_estudio,
    Analfabetismo           = analfabetismo,
    `Ingreso mensual (S/.)` = ingreso,
    `PEA ocupada`           = PEAO,
    `% trab. ind./no rem.`  = trabajo_ind_no_rem,
    `Violencia sexual`      = violencia_sexual,
    `Violencia física`      = violencia_fisica,
    `Violencia psicológica` = violencia_psico
  )

resumen_vars <- vars_num |>
  summarise(
    across(
      everything(),
      list(
        Media   = ~mean(.x, na.rm = TRUE),
        Mediana = ~median(.x, na.rm = TRUE),
        Q1      = ~quantile(.x, 0.25, na.rm = TRUE),
        Q3      = ~quantile(.x, 0.75, na.rm = TRUE)
      )
    )
  ) |>
  pivot_longer(
    everything(),
    names_to  = c("Variable", ".value"),
    names_sep = "_"
  )

kable(resumen_vars, digits = 1)

Variable	Media	Mediana	Q1	Q3
Años de estudio	10.0	10.1	9.4	10.5
Analfabetismo	8.4	6.7	5.3	11.8
Ingreso mensual (S/.)	1227.8	1222.6	1086.1	1345.2
PEA ocupada	307.4	199.8	91.9	315.2
% trab. ind./no rem.	49.9	51.6	43.8	57.0
Violencia sexual	1169.2	842.5	543.0	1317.5
Violencia física	2452.1	1978.0	1313.5	3148.5
Violencia psicológica	2203.7	1550.0	1069.2	2521.8

Principales hallazgos

Esta pestaña describe las variables independientes que se usarán para explicar la autonomía económica de las mujeres. Los boxplots muestran la distribución por región y la tabla resume sus valores centrales (media, mediana y cuartiles).

En términos generales se observa que:

Educación: las mujeres tienen en promedio unos 10 años de estudio y el analfabetismo femenino ronda el 8 %, aunque algunas regiones superan claramente este nivel.
Inserción laboral e ingresos: el ingreso mensual promedio de las mujeres ocupadas se sitúa alrededor de S/ 1200, con poca diferencia entre regiones. Sin embargo, cerca de la mitad de las mujeres ocupadas trabaja en formas independientes o no remuneradas, lo que evidencia una inserción laboral muy precaria.
Violencias de género: las tasas de violencia sexual, física y psicológica son altas en promedio y muestran una gran dispersión, indicando que algunas regiones concentran niveles mucho mayores de violencia contra las mujeres.

Estos patrones permiten contextualizar las desigualdades regionales que podrían estar asociadas a mayores o menores niveles de autonomía económica.

A. Bivariado

Column

Educación: años de estudio

ggplot(data, aes(x = años_estudio, y = autonomia)) +
  geom_point(color = "#7e57c2", size = 2) +
  geom_smooth(method = "lm", se = FALSE, color = "#4a148c") +
  labs(
    title = "Autonomía económica y años de estudio",
    x = "Años de estudio (promedio)",
    y = "Autonomía económica (0–100)"
  ) +
  theme_minimal()

## `geom_smooth()` using formula = 'y ~ x'

Educación: analfabetismo

ggplot(data, aes(x = analfabetismo, y = autonomia)) +
  geom_point(color = "#7e57c2", size = 2) +
  geom_smooth(method = "lm", se = FALSE, color = "#4a148c") +
  labs(
    title = "Autonomía económica y analfabetismo femenino",
    x = "% de mujeres analfabetas",
    y = "Autonomía económica (0–100)"
  ) +
  theme_minimal()

## `geom_smooth()` using formula = 'y ~ x'

Trabajo: ingreso mensual

ggplot(data, aes(x = ingreso, y = autonomia)) +
  geom_point(color = "#7e57c2", size = 2) +
  geom_smooth(method = "lm", se = FALSE, color = "#4a148c") +
  labs(
    title = "Autonomía económica e ingreso mensual de las mujeres ocupadas",
    x = "Ingreso mensual promedio (S/.)",
    y = "Autonomía económica (0–100)"
  ) +
  theme_minimal()

## `geom_smooth()` using formula = 'y ~ x'

## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_smooth()`).

## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).

Trabajo: PEA ocupada femenina

ggplot(data, aes(x = PEAO, y = autonomia)) +
  geom_point(color = "#7e57c2", size = 2) +
  geom_smooth(method = "lm", se = FALSE, color = "#4a148c") +
  labs(
    title = "Autonomía económica y PEA ocupada femenina",
    x = "PEA ocupada femenina",
    y = "Autonomía económica (0–100)"
  ) +
  theme_minimal()

## `geom_smooth()` using formula = 'y ~ x'

## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_smooth()`).

## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).

Trabajo: % trabajo independiente / no remunerado

ggplot(data, aes(x = trabajo_ind_no_rem, y = autonomia)) +
  geom_point(color = "#7e57c2", size = 2) +
  geom_smooth(method = "lm", se = FALSE, color = "#4a148c") +
  labs(
    title = "Autonomía económica y trabajo independiente/no remunerado",
    x = "% de mujeres en trabajo independiente o no remunerado",
    y = "Autonomía económica (0–100)"
  ) +
  theme_minimal()

## `geom_smooth()` using formula = 'y ~ x'

## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_smooth()`).

## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).

Violencia: índice total

# Índice simple de violencia total: suma de violencia sexual, física y psicológica
data <- data |>
  mutate(violencia_total = violencia_sexual + violencia_fisica + violencia_psico)

ggplot(data, aes(x = violencia_total, y = autonomia)) +
  geom_point(color = "#7e57c2", size = 2) +
  geom_smooth(method = "lm", se = FALSE, color = "#4a148c") +
  labs(
    title = "Autonomía económica e índice total de violencia de género",
    x = "Índice de violencia total (sexual + física + psicológica)",
    y = "Autonomía económica (0–100)"
  ) +
  theme_minimal()

## `geom_smooth()` using formula = 'y ~ x'

Matriz de correlación

library(corrplot)

## Warning: package 'corrplot' was built under R version 4.4.3

## corrplot 0.95 loaded

# Seleccionamos las variables numéricas que queremos correlacionar
vars_corr <- data |>
  select(
    autonomia,
    años_estudio,
    analfabetismo,
    ingreso,
    trabajo_ind_no_rem,
    violencia_total
  )

# Matriz de correlaciones de Pearson
mat_corr <- cor(vars_corr, use = "pairwise.complete.obs")

# Mapa de calor de correlaciones en escala de morados
corrplot(
  mat_corr,
  method = "color",
  type   = "upper",
  order  = "hclust",
  addCoef.col = "black",                 # muestra los valores
  tl.col      = "black",                 # color de etiquetas
  tl.srt      = 45,                      # rotación de etiquetas
  col = colorRampPalette(c("#f3e5f5", "#7e57c2", "#4a148c"))(200)
)

## Warning in ind1:ind2: numerical expression has 2 elements: only the first used

Column

Correlaciones con la autonomía económica

library(dplyr)
library(knitr)

vars_cor <- data |>
  select(
    autonomia,
    años_estudio,
    analfabetismo,
    ingreso,
    PEAO,
    trabajo_ind_no_rem,
    violencia_total
  )

# Matriz de correlaciones
cor_mat <- cor(vars_cor, use = "pairwise.complete.obs")

# Extraemos solo la fila de autonomía
cor_autonomia <- data.frame(
  Variable    = colnames(cor_mat)[-1],
  Correlación = round(cor_mat["autonomia", -1], 3)
)

kable(cor_autonomia, digits = 3,
      col.names = c("Variable", "Correlación con autonomía"))

	Variable	Correlación con autonomía
años_estudio	años_estudio	0.618
analfabetismo	analfabetismo	-0.497
ingreso	ingreso	0.351
PEAO	PEAO	0.128
trabajo_ind_no_rem	trabajo_ind_no_rem	-0.605
violencia_total	violencia_total	0.145

Hallazgos y resumen de los datos

Esta sección muestra cómo se relaciona la autonomía económica con los principales factores de educación, trabajo y violencia de género.

En los gráficos de la izquierda se observa la tendencia general entre autonomía y cada variable (puntos por región y línea de regresión).
La tabla de correlaciones resume la fuerza y dirección de esas relaciones: valores positivos indican que la autonomía tiende a aumentar cuando la variable crece, mientras que valores negativos indican que tiende a disminuir.

En conjunto, este análisis bivariado permite identificar qué dimensiones (educación, condiciones laborales o niveles de violencia) parecen estar más vinculadas con las diferencias regionales en autonomía económica de las mujeres.

Más educación → más autonomía.
Más trabajo precario → menos autonomía.
Ingresos ayudan, pero no son el único factor.
La relación con violencia es difusa (puede haber tema de denuncia, etc.).

Regresión

Column

Modelo de regresión lineal

library(broom)

## Warning: package 'broom' was built under R version 4.4.3

# Creamos un data frame SIN NAs en las variables del modelo
data_modelo <- data |>
  drop_na(autonomia, años_estudio, analfabetismo,
          ingreso, trabajo_ind_no_rem, violencia_total)

# Modelo de regresión lineal para autonomía económica
modelo_aut <- lm(
  autonomia ~ años_estudio + analfabetismo +
    ingreso + trabajo_ind_no_rem + violencia_total,
  data = data_modelo
)

# Creamos datos con el valor predicho
data_pred <- data_modelo |>
  mutate(autonomia_pred = fitted(modelo_aut))

# Gráfico de valores observados vs predichos
ggplot(data_pred, aes(x = autonomia_pred, y = autonomia)) +
  geom_point(color = "#7e57c2", size = 2) +
  geom_abline(slope = 1, intercept = 0,
              color = "#4a148c", linetype = "dashed") +
  labs(
    title = "Autonomía observada vs autonomía predicha por el modelo",
    x = "Autonomía predicha",
    y = "Autonomía observada"
  ) +
  theme_minimal()

Column

Coeficientes del modelo

tabla_coef <- tidy(modelo_aut) |>
  mutate(
    term = dplyr::recode(term,
      "(Intercept)"        = "Intercepto",
      "años_estudio"       = "Años de estudio",
      "analfabetismo"      = "Analfabetismo",
      "ingreso"            = "Ingreso mensual",
      "trabajo_ind_no_rem" = "% trabajo ind./no rem.",
      "violencia_total"    = "Índice de violencia total"
    )
  )

kable(
  tabla_coef,
  digits = 3,
  col.names = c("Término", "Estimación", "Error estándar", "t", "p-valor")
)

Término	Estimación	Error estándar	t	p-valor
Intercepto	74.469	29.965	2.485	0.022
Años de estudio	1.508	1.928	0.782	0.444
Analfabetismo	-0.028	0.232	-0.123	0.904
Ingreso mensual	-0.005	0.006	-0.942	0.358
% trabajo ind./no rem.	-0.228	0.175	-1.301	0.209
Índice de violencia total	0.000	0.000	-0.710	0.486

Bondad de ajuste del modelo

resumen_mod <- glance(modelo_aut) |>
  dplyr::select(r.squared, adj.r.squared, sigma)

kable(
  resumen_mod,
  digits = 3,
  col.names = c("R²", "R² ajustado", "Error residual")
)

R²	R² ajustado	Error residual
0.462	0.32	3.321

Coeficientes estandarizados

# Creamos una versión estandarizada de los datos del modelo
data_modelo_std <- data_modelo |>
  mutate(
    autonomia_std          = scale(autonomia),
    años_estudio_std       = scale(años_estudio),
    analfabetismo_std      = scale(analfabetismo),
    ingreso_std            = scale(ingreso),
    trabajo_ind_no_rem_std = scale(trabajo_ind_no_rem),
    violencia_total_std    = scale(violencia_total)
  )

# Ajustamos el mismo modelo pero con variables estandarizadas
modelo_aut_std <- lm(
  autonomia_std ~ años_estudio_std + analfabetismo_std +
    ingreso_std + trabajo_ind_no_rem_std + violencia_total_std,
  data = data_modelo_std
)

# Tabla de coeficientes estandarizados (sin el intercepto)
tabla_coef_std <- broom::tidy(modelo_aut_std) |>
  filter(term != "(Intercept)") |>
  mutate(
    Variable = dplyr::recode(term,
      "años_estudio_std"       = "Años de estudio",
      "analfabetismo_std"      = "Analfabetismo",
      "ingreso_std"            = "Ingreso mensual",
      "trabajo_ind_no_rem_std" = "% trabajo ind./no rem.",
      "violencia_total_std"    = "Índice de violencia total"
    )
  ) |>
  select(Variable, `Coeficiente estandarizado` = estimate)

kable(tabla_coef_std, digits = 3)

Variable	Coeficiente estandarizado
Años de estudio	0.272
Analfabetismo	-0.033
Ingreso mensual	-0.308
% trabajo ind./no rem.	-0.676
Índice de violencia total	-0.151

Interpretación breve

Este modelo de regresión lineal toma como variable dependiente la
autonomía económica de las mujeres y la explica a partir de:

Educación: años de estudio promedio y analfabetismo femenino.
Condiciones laborales: ingreso mensual y porcentaje de trabajo independiente/no remunerado.
Contexto de violencia: índice total de violencia de género.

El modelo de regresión lineal múltiple explica alrededor del 32 % de la variación regional en la autonomía económica de las mujeres (R² ajustado = 0.32). La autonomía tiende a ser mayor en regiones con más años de estudio e ingresos laborales más altos y menor donde predomina el trabajo independiente o no remunerado, aunque, debido al reducido número de observaciones y la fuerte correlación entre las variables de educación y trabajo, la mayoría de los coeficientes no resulta estadísticamente significativa al 5 %. El gráfico de valores observados vs. predichos muestra un ajuste moderado: el modelo capta parte importante de las diferencias regionales, pero deja también una fracción relevante sin explicar.

En la tabla de coeficientes:

El signo de la estimación indica la dirección de la relación, manteniendo constantes las demás variables (positiva o negativa).
El p-valor permite identificar qué variables tienen una asociación estadísticamente significativa con la autonomía (por ejemplo, p < 0.05).

La gráfica de la izquierda compara la autonomía observada con la autonomía predicha por el modelo: cuanto más cercanos estén los puntos a la línea diagonal, mejor es el ajuste. El R² y el R² ajustado resumen qué proporción de la variación entre regiones en autonomía económica es explicada por este conjunto de factores.

A. Factorial

Row

Número óptimo de factores

KMO y Bartlett

kmo_res

## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = mat_corr)
## Overall MSA =  0.63
## MSA for each item = 
##       años_estudio      analfabetismo            ingreso               PEAO 
##               0.70               0.68               0.81               0.52 
## trabajo_ind_no_rem    violencia_total 
##               0.61               0.53

bartlett_res

## $chisq
## [1] 607.8365
## 
## $p.value
## [1] 7.675971e-120
## 
## $df
## [1] 15

Análisis paralelo

fa.parallel(
  mat_corr,
  fa   = "fa",
  fm   = "ml",
  main = "Análisis paralelo (número de factores)"
)

## Warning in fa.parallel(mat_corr, fa = "fa", fm = "ml", main = "Análisis
## paralelo (número de factores)"): It seems as if you are using a correlation
## matrix, but have not specified the number of cases. The number of subjects is
## arbitrarily set to be 100

## Parallel analysis suggests that the number of factors =  2  and the number of components =  NA

Cargas factoriales (2 factores, rotación varimax)

# Modelo factorial con 2 factores
fa_res <- fa(
  mat_corr,
  nfactors = 2,
  fm       = "ml",
  rotate   = "varimax"
)

# Mostramos las cargas factoriales y varianza explicada
fa_res

## Factor Analysis using method =  ml
## Call: fa(r = mat_corr, nfactors = 2, rotate = "varimax", fm = "ml")
## Standardized loadings (pattern matrix) based upon correlation matrix
##                      ML2   ML1   h2    u2 com
## años_estudio        0.83  0.23 0.74 0.264 1.2
## analfabetismo      -0.78 -0.02 0.61 0.392 1.0
## ingreso             0.75  0.37 0.70 0.302 1.5
## PEAO                0.16  0.93 0.89 0.114 1.1
## trabajo_ind_no_rem -0.96 -0.28 1.00 0.005 1.2
## violencia_total     0.24  0.97 1.00 0.005 1.1
## 
##                        ML2  ML1
## SS loadings           2.85 2.07
## Proportion Var        0.48 0.34
## Cumulative Var        0.48 0.82
## Proportion Explained  0.58 0.42
## Cumulative Proportion 0.58 1.00
## 
## Mean item complexity =  1.2
## Test of the hypothesis that 2 factors are sufficient.
## 
## df null model =  15  with the objective function =  6.32
## df of  the model are 4  and the objective function was  0.46 
## 
## The root mean square of the residuals (RMSR) is  0.04 
## The df corrected root mean square of the residuals is  0.07 
## 
## Fit based upon off diagonal values = 1
## Measures of factor score adequacy             
##                                                    ML2  ML1
## Correlation of (regression) scores with factors   1.00 1.00
## Multiple R square of scores with factors          0.99 0.99
## Minimum correlation of possible factor scores     0.99 0.99

Row

Puntajes factoriales por región

# Puntajes factoriales (scores) por región
scores_fa <- factor.scores(
  x      = vars_fa,
  f      = fa_res,
  method = "regression"
)$scores

data_fa <- data %>%
  select(region) %>%
  bind_cols(as.data.frame(scores_fa))

kable(
  data_fa,
  digits    = 2,
  col.names = c("Región", "Factor 1", "Factor 2")
)

Región	Factor 1	Factor 2
Amazonas	-0.41	-0.47
Áncash	-0.23	0.28
Apurímac	-1.00	-0.28
Arequipa	1.48	0.98
Ayacucho	-0.51	-0.10
Cajamarca	-1.59	0.32
Callao	NA	NA
Cusco	-0.80	0.78
Huancavelica	-1.56	-0.24
Huánuco	-0.55	-0.08
Ica	1.97	-0.55
Junín	0.10	-0.01
La Libertad	0.18	0.19
Lambayeque	0.61	-0.60
Lima Metropolitana	0.90	4.19
Lima Provincias	1.06	0.06
Loreto	-0.87	-0.16
Madre de Dios	0.84	-1.02
Moquegua	1.49	-1.04
Pasco	-0.41	-0.73
Piura	-0.25	0.37
Puno	-1.48	0.10
San Martín	-0.24	0.21
Tacna	1.03	-0.83
Tumbes	0.68	-0.90
Ucayali	-0.51	-0.30

Interpretación breve

El índice KMO global (≈ 0.63) y el test de Bartlett (χ² ≈ 140, p < 0.001) indican que las correlaciones entre educación, trabajo y violencia son suficientes para aplicar un análisis factorial exploratorio.
El análisis paralelo sugiere retener dos factores, que explican alrededor de la mitad de la varianza conjunta de los indicadores.
El Factor 1 (capital educativo-laboral) carga positivamente en años de estudio y en el ingreso de las mujeres, y negativamente en el analfabetismo y el trabajo independiente/no remunerado. Resume el nivel de recursos educativos y la calidad de la inserción laboral femenina en cada región.
El Factor 2 (inserción laboral formal y violencia de género) presenta cargas altas en la PEA ocupada femenina y en el índice total de violencia. Describe regiones donde una mayor participación laboral de las mujeres coexiste con altos niveles de violencia de género.

Estos factores se usan como índices sintéticos en los análisis de regresión y clusterización, permitiendo capturar de forma más compacta las desigualdades estructurales entre regiones. “)

Clusterización

Column

Óptimo de clusters (PAM)

library(cluster)
library(factoextra)

## Warning: package 'factoextra' was built under R version 4.4.3

## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

library(dplyr)

# Datos para clustering (solo regiones con datos completos)
data_clust <- data |>
  drop_na(autonomia, años_estudio, analfabetismo,
          ingreso, trabajo_ind_no_rem, violencia_total)

vars_clust <- data_clust |>
  select(
    autonomia,
    años_estudio,
    analfabetismo,
    ingreso,
    trabajo_ind_no_rem,
    violencia_total
  )

# Estandarizamos las variables para que estén en la misma escala
vars_clust_scaled <- scale(vars_clust)

set.seed(123)

fviz_nbclust(
  x          = vars_clust_scaled,
  FUNcluster = pam,
  method     = "gap_stat",
  k.max      = 6
) +
  labs(
    title = "Número óptimo de clusters (PAM)",
    x     = "Número de clusters k",
    y     = "Estadístico GAP"
  ) +
  theme_minimal()

## Warning: `aes_string()` was deprecated in ggplot2 3.0.0.
## ℹ Please use tidy evaluation idioms with `aes()`.
## ℹ See also `vignette("ggplot2-in-packages")` for more information.
## ℹ The deprecated feature was likely used in the factoextra package.
##   Please report the issue at <https://github.com/kassambara/factoextra/issues>.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

Silueta de clusters

# Suponemos que el GAP sugiere k = 3 (puedes ajustarlo según tu gráfico)
set.seed(123)
pam_fit <- pam(vars_clust_scaled, k = 3)

fviz_silhouette(pam_fit) +
  labs(title = "Silueta de los clusters (k = 3)")

##   cluster size ave.sil.width
## 1       1   11          0.25
## 2       2    3          0.12
## 3       3   11          0.33

Regiones por cluster

library(DT)

tabla_regiones_clust <- data_clust |>
  mutate(Cluster = factor(pam_fit$clustering))

datatable(
  tabla_regiones_clust |>
    select(
      Región              = region,
      Cluster,
      Autonomía           = autonomia,
      `Años de estudio`   = años_estudio,
      Ingreso             = ingreso,
      `% trab. ind./no rem.` = trabajo_ind_no_rem,
      `Índice violencia`  = violencia_total
    ),
  options  = list(pageLength = 8, dom = "tip"),
  rownames = FALSE
)

Perfiles de clusters

perfiles_cluster <- tabla_regiones_clust |>
  group_by(Cluster) |>
  summarise(
    `N° regiones`          = n(),
    Autonomía              = mean(autonomia, na.rm = TRUE),
    `Años estudio`         = mean(años_estudio, na.rm = TRUE),
    `% analfabetismo`      = mean(analfabetismo, na.rm = TRUE),
    Ingreso                = mean(ingreso, na.rm = TRUE),
    `% trab. precario`     = mean(trabajo_ind_no_rem, na.rm = TRUE),
    `Índice violencia`     = mean(violencia_total, na.rm = TRUE)
  )

kable(perfiles_cluster, digits = 1)

Cluster	N° regiones	Autonomía	Años estudio	% analfabetismo	Ingreso	% trab. precario	Índice violencia
1	11	67.8	9.4	12.7	1100.5	59.4	4867.2
2	3	74.5	11.2	3.7	1640.0	28.2	16461.3
3	11	72.2	10.2	5.9	1242.8	46.4	3946.7

Column

Método de clusterización

En esta sección se agrupan las regiones del país según su perfil de autonomía económica, educación, condiciones laborales y violencia de género. Se utilizan las variables: - Autonomía económica (índice 0–100).
- Años de estudio promedio y analfabetismo femenino.
- Ingreso laboral mensual de las mujeres ocupadas y porcentaje de trabajo independiente/no remunerado.
- Índice total de violencia (suma de violencia sexual, física y psicológica).

Las variables se estandarizan y se aplica la técnica Partitioning Around Medoids (PAM) sobre la matriz de distancias euclidianas. El gráfico del estadístico GAP permite seleccionar el número óptimo de clusters, mientras que la silueta evalúa qué tan bien quedan separadas las regiones en cada grupo.

Interpretación breve

En términos generales, el ejercicio de clusterización sugiere la presencia de tres tipos de regiones:

Cluster 1 – Baja autonomía y mayor precariedad educativa/laboral:
reúne 11 regiones con la autonomía más baja (≈ 67.8 puntos), menos años de estudio (9.4 en promedio), analfabetismo alto (12.7 %), ingresos laborales menores (≈ S/ 1100) y el porcentaje más alto de trabajo independiente o no remunerado (≈ 59 %). El índice de violencia se ubica en un nivel medio-alto. Son las regiones más rezagadas en términos de autonomía y condiciones estructurales.
Cluster 2 – Alta autonomía y mayor capital educativo e ingresos:
agrupa 3 regiones con la autonomía más alta (≈ 74.5), más años de estudio (11.2), analfabetismo muy bajo (3.7 %) e ingresos laborales significativamente superiores (≈ S/ 1640), junto con el menor nivel de trabajo precario (≈ 28 %). Sin embargo, concentran el índice de violencia más elevado entre los tres grupos. Representan contextos donde la autonomía económica convive con altos niveles de violencia registrada.
Cluster 3 – Autonomía media-alta y condiciones intermedias:
incluye 11 regiones con autonomía intermedia (≈ 72.2), niveles de educación e ingreso también intermedios y un porcentaje de trabajo precario alrededor de 46 %. El índice de violencia es más bajo que en el cluster 1 y muy inferior al del cluster 2. Corresponde a un patrón “medio” dentro del país.

La silueta promedio indica una separación moderada entre los grupos, por lo que esta clasificación debe entenderse como un análisis exploratorio que ayuda a identificar conjuntos de regiones con desafíos similares en materia de autonomía económica de las mujeres.

Conclusion

Column

PRINCIPALES HALLAZGOS

🔍 Conclusiones principales del estudio

💸 La autonomía económica de las mujeres es desigual entre regiones.
El índice de autonomía se sitúa alrededor de 70 puntos, pero con brechas claras: algunas regiones costeras se acercan a 80, mientras que varias regiones andinas y amazónicas se mantienen por debajo de 68.
🎓 La educación es el factor más fuertemente asociado a la autonomía.
Más años de estudio y menores tasas de analfabetismo se relacionan con mayores niveles de autonomía económica en casi todo el país.
👩‍💼 La calidad del empleo importa tanto como el ingreso.
Una alta proporción de trabajo independiente o no remunerado se asocia de forma clara y negativa con la autonomía, incluso en regiones con ingresos promedio más altos.
🧩 La violencia de género se suma al contexto de vulnerabilidad.
El índice total de violencia tiene una relación débil con la autonomía, pero muestra que en regiones con mejores condiciones económicas la violencia contra las mujeres puede seguir siendo muy alta.
🗺️ Existen tres perfiles de regiones.
La clusterización identifica:
1. regiones rezagadas (baja autonomía y alta precariedad laboral),
2. regiones aventajadas (alta autonomía pero violencia elevada) y
3. regiones intermedias con condiciones mixtas.

Column

RECOMENDACIONES

Cerrar brechas educativas con enfoque territorial y de género.
Priorizar becas, programas de permanencia escolar y oferta educativa secundaria y técnica en las regiones del cluster 1, donde las mujeres acumulan menos años de estudio y el analfabetismo sigue siendo alto.
Promover empleo digno y reducir el trabajo independiente/no remunerado.
Incentivar la formalización de actividades económicas de mujeres, el acceso a protección social y el reconocimiento del trabajo de cuidados, para que los ingresos propios se traduzcan en verdadera autonomía.
Articular autonomía económica y prevención de la violencia.
En regiones del cluster 2, donde la autonomía es alta pero la violencia también, se requieren estrategias integrales que conecten programas económicos con sistemas de justicia, salud y protección.
Diseñar intervenciones diferenciadas según el perfil de región.
Las regiones rezagadas necesitan paquetes intensivos de educación, empleo y protección social; las intermedias, consolidar avances; y las aventajadas, reducir violencia y mejorar la calidad del empleo.
Fortalecer la producción y uso de datos con enfoque de género.
Mantener y ampliar indicadores de empleo, ingresos, cuidados y violencia permitirá monitorear la autonomía económica y evaluar políticas públicas.

LIMITACIONES Y LÍNEAS FUTURAS

Este dashboard trabaja con información agregada por región, lo que limita la capacidad de capturar desigualdades dentro de cada territorio (por ejemplo, entre zonas urbanas y rurales o entre grupos etarios). Además, algunas relaciones no alcanzan significancia estadística debido al reducido número de observaciones regionales y a la alta correlación entre las variables explicativas.

Futuros estudios podrían:

combinar esta aproximación regional con microdatos de hogares;
incorporar otras dimensiones de autonomía (tiempo, toma de decisiones, propiedad de activos);
y seguir la evolución de la autonomía económica de las mujeres en el tiempo, para evaluar cambios y efectos de políticas públicas.

RMD FINAL

Luciana Cubas

2025-12-06

Introducción

Column

Contexto

Autonomía económica de las mujeres por región

Column

Mapa de autonomía económica de las mujeres

Tabla resumen de la variable dependiente

V. Independientes

Column

Años de estudio

Analfabetismo

Ingreso mensual

PEA ocupada femenina

% trabajo independiente / no remunerado

Violencia sexual

Violencia física

Violencia psicológica

Column

Estadísticos descriptivos de las variables numéricas

Principales hallazgos

A. Bivariado

Column

Educación: años de estudio

Educación: analfabetismo

Trabajo: ingreso mensual

Trabajo: PEA ocupada femenina

Trabajo: % trabajo independiente / no remunerado

Violencia: índice total

Matriz de correlación

Column

Correlaciones con la autonomía económica

Hallazgos y resumen de los datos

Regresión

Column

Modelo de regresión lineal

Column

Coeficientes del modelo

Bondad de ajuste del modelo

Coeficientes estandarizados

Interpretación breve

A. Factorial

Row

Número óptimo de factores

KMO y Bartlett

Análisis paralelo

Cargas factoriales (2 factores, rotación varimax)

Row

Puntajes factoriales por región

Interpretación breve

Clusterización

Column

Óptimo de clusters (PAM)

Silueta de clusters

Regiones por cluster

Perfiles de clusters

Column

Método de clusterización

Interpretación breve

Conclusion

Column

PRINCIPALES HALLAZGOS

Column

RECOMENDACIONES

LIMITACIONES Y LÍNEAS FUTURAS